Gurobi 是目前业界领先的商业数学规划求解器，能高效求解线性规划（LP）、整数线性规划（ILP）、混合整数线性规划（MILP）、二次规划（QP）、混合整数二次规划（MIQP）等多种类型的优化问题，广泛应用于供应链、金融、生产调度、能源优化等领域。下面从核心能力、使用流程、关键操作、常见问题四个维度，系统介绍如何用 Gurobi 求解优化问题。
在使用 Gurobi 前，需先明确其支持的问题类型，避免因问题不匹配导致求解失败。
Gurobi 对不同优化问题的支持度和求解效率不同，核心覆盖以下类别：
| 问题类型 | 英文缩写 | 核心特征 | 典型应用场景 |
|---|
| 线性规划 | LP | 目标函数和约束均为线性表达式，变量为连续值 | 资源分配（如工厂原料分配）、运输路线优化 |
| 整数线性规划 | ILP | 变量全部为整数（0-1 变量是特殊情况），目标 / 约束线性 | 项目选择（选 / 不选某项目）、设备选址 |
| 混合整数线性规划 | MILP | 部分变量为整数，部分为连续值，目标 / 约束线性 | 生产计划（生产数量为整数，原料消耗为连续值） |
| 二次规划 | QP | 目标函数为二次函数（凸 / 非凸），约束为线性，变量连续 | 投资组合优化（最小化风险方差） |
| 混合整数二次规划 | MIQP | 部分变量为整数，目标函数为二次函数，约束线性 | 带整数决策的投资组合（如是否投资某资产） |
| 约束规划 | CP | 聚焦离散变量的逻辑约束（如顺序、依赖关系），非传统数学规划 | 调度问题（如车间机器任务排序） |
求解效率高：针对大规模问题（变量 / 约束数达百万级）优化了算法，支持并行计算、稀疏矩阵存储，比开源求解器（如 PuLP 依赖的 CBC）快 10-100 倍。
鲁棒性强：能处理数值不稳定的模型（如系数差异极大的约束），自动调整求解策略。
灵活性好：支持多种接口（Python、Java、C++、MATLAB 等），可自定义求解参数（如时间限制、精度要求），并提供详细的求解日志和灵敏度分析。
无论使用哪种接口，Gurobi 求解优化问题的核心流程一致，以下以Python 接口（最常用）为例，结合具体案例说明。
获取 Gurobi 许可证：需先在 Gurobi 官网 申请许可证（学术用户可免费获取），并激活许可证（通过 grbgetkey 命令）。
安装求解器：下载对应系统（Windows/macOS/Linux）的 Gurobi 求解器安装包，按向导安装。
安装 Python 接口：通过 pip 安装（需确保 Python 版本与 Gurobi 兼容，如 Gurobi 11.0 支持 Python 3.8-3.11）：
bash
pip install gurobipy
运行以下代码，若能正常输出 Gurobi 版本，说明安装成功：
python
import gurobipy as gpfrom gurobipy import GRB# 初始化模型（模型名可自定义）model = gp.Model("test_model")# 输出 Gurobi 版本print(f"Gurobi 版本: {gp.__version__}")# 关闭模型（避免占用内存）model.close()构建模型是核心环节，需明确决策变量、目标函数、约束条件三要素，对应 Gurobi 的 Var()、setObjective()、addConstr() 方法。
某工厂生产 A、B 两种产品，生产 1 件 A 需 2 小时机器时间、消耗 1kg 原料，利润 3 元；生产 1 件 B 需 1 小时机器时间、消耗 2kg 原料，利润 4 元。工厂每天机器时间上限 10 小时，原料上限 8kg。求如何安排生产，使总利润最大？
用 model.addVar() 定义变量，需指定变量类型（连续 / 整数）、上下界（默认非负）：
python
用 model.setObjective() 定义目标，需指定目标表达式和优化方向（最大化 / 最小化）：
python
用 model.addConstr() 添加约束，需指定约束表达式和约束名称（便于后续排查问题）：
python
Gurobi 默认参数已能应对多数简单问题，但复杂问题需自定义参数（如时间限制、精度要求），通过 model.setParam() 配置：
python
常用核心参数见下表：
| 参数名 | 含义 | 默认值 | 适用场景 |
|---|
| TimeLimit | 求解时间上限（秒） | 无穷大 | 大规模问题避免求解过久 |
| MIPGap | 混合整数问题的最优性差距（如 1e-4 表示 0.01%） | 1e-4 | 对精度要求高的场景（如金融） |
| OutputFlag | 是否输出求解日志 | 1 | 调试时设为 1，部署时设为 0 减少冗余 |
| Threads | 并行计算的线程数 | 自动（CPU 核心数） | 大规模问题设为 CPU 核心数，加速求解 |
调用 model.optimize() 启动求解，Gurobi 会自动选择求解算法（如 LP 用单纯形法，MILP 用分支定界法）：
python
求解过程中，日志会输出关键信息：当前迭代次数、目标函数值、约束满足情况等，例如：
plaintext
求解后需判断结果状态（如是否找到最优解），并提取变量值、目标函数值等关键信息。
通过 model.Status 获取求解状态，核心状态码含义如下：
| 状态码 | 含义 | 处理建议 |
|---|
| GRB.OPTIMAL | 找到最优解 | 正常提取结果 |
| GRB.INFEASIBLE | 模型无可行解（约束冲突） | 检查约束是否矛盾（如 “x≤1” 且 “x≥2”） |
| GRB.UNBOUNDED | 目标函数无界（无约束限制目标增长） | 检查是否遗漏约束（如目标最大化但无变量上界） |
| GRB.TIME_LIMIT | 达到时间限制，未找到最优解 | 增大时间限制，或优化模型（如合并约束） |
若状态为 GRB.OPTIMAL，可通过 var.X 获取变量值，model.ObjVal 获取目标函数值：
python
plaintex
结果说明：生产 4 件 A、2 件 B 时，机器时间和原料刚好耗尽，总利润最大（20 元），符合预期。
对于大规模或复杂模型，需通过以下操作优化求解过程：
合并重复约束：如 “x≤5” 和 “x≤5” 可合并为一个，减少约束数量。
消除冗余变量：若变量 z = x + y，且仅在目标 / 约束中用 z，可直接用 x + y 替代 z，减少变量数。
固定变量值：若某变量的上下界相等（如 x = 3），可直接用 3 替代该变量，无需定义为决策变量。
Gurobi 支持分析目标函数系数变化或约束右侧（RHS）变化对最优解的影响，帮助决策：
python
设 Threads 参数为 CPU 核心数（如 model.setParam("Threads", 8)），利用并行计算加速分支定界过程。
若模型求解慢，可适当调大 MIPGap（如从 1e-4 改为 1e-3），在精度和速度间权衡。
原因：许可证未激活、过期，或与当前机器不匹配。
解决：
检查许可证状态：运行 grbcluster status 命令。
重新激活许可证：通过 grbgetkey <许可证密钥> 重新激活。
确认许可证类型：学术许可证需绑定教育邮箱，商业许可证需绑定机器硬件信息。
Gurobi 求解优化问题的核心逻辑是 “明确模型三要素（变量、目标、约束）→ 配置参数→ 求解→ 分析结果”，关键在于：
模型构建的准确性：确保变量类型、约束表达式与实际问题一致，避免逻辑错误。
求解参数的合理性：根据问题规模和精度需求调整 TimeLimit、MIPGap 等参数。
结果分析的完整性：不仅要关注变量值和目标值，还要通过松弛量、灵敏度分析验证结果的合理性。
上一条：gurobi求解器用途
下一条：Gurobi怎么处理多目标 Gurobi怎么设置分支策略
沪公网安备31011302006932号